Hypothetical Document Expansion

Материал из Systems analysis Wiki
Перейти к навигации Перейти к поиску

Hypothetical Document Expansion (HyDE) — метод улучшения векторного ретрива и retrieval‑augmented generation (RAG), при котором большая языковая модель (LLM) по исходному запросу генерирует «гипотетический документ»; затем этот текст векторизуется энкодером, и поиск ведётся среди реальных документов по близости к полученному вектору. Подход позволяет использовать «паттерны релевантности», закодированные LLM, и «заземлять» их на корпус с помощью плотных эмбеддингов[1].

Определение и интуиция

HyDE декомпозирует задачу поиска на два этапа:

(1) LLM создаёт «пример релевантного ответа» (hypothetical document) к запросу, тем самым моделируя признаки релевантности;

(2) контрастивный энкодер (напр., Contriever) переводит этот текст в вектор, по которому извлекаются реальные документы из индекса. Сгенерированный текст может содержать фактические ошибки, но важны улавливаемые энкодером тематические и терминологические шаблоны[2].

История и источники

Идея расширения поиска синтетическими текстами восходит к работам по расширению запроса и псевдорелевантной обратной связи (PRF): алгоритм Роккио и языковые модели релевантности[3][4]. Для плотного ретрива использовались контрастивно обученные энкодеры (Contriever)[5] и Dense Passage Retrieval (DPR)[6]. Бенчмарк BEIR стандартизировал zero‑shot‑оценку[7]. На этом фоне предложен HyDE как способ «привнести» в нулевой режим знание о релевантности через LLM без дообучения энкодера[8].

Метод и формализация

Пусть корпус документов 𝒟={d1,…,dN}, а энкодер текстов E:text→ℝn задаёт векторные представления документов 𝐯d=E(d). Для измерения близости используется либо косинусное сходство, либо скалярное произведение; важное замечание: **скалярное произведение совпадает с косинусным сходством только при единичной L2‑норме обоих векторов** (‖𝐮‖=‖𝐯‖=1)[9].

HyDE переопределяет представление запроса через «гипотетический документ», сгенерированный LLM. Формально:

(1) Генерация гипотетического текста:d~=G(q;inst),(2) Эмбеддинг гипотетического текста:𝐯h=E(d~),(3) Поиск ближайших соседей:ℛk(q)=TopKd∈𝒟S(𝐯h,𝐯d),

где G — LLM с инструкцией inst (например: «Напиши абзац, отвечающий на вопрос …»), S — мера сходства (косинус или IP с нормировкой), а ℛk(q) — множество из k документов с максимальным сходством[10][11].

В инженерной практике часто генерируют **несколько** гипотетических текстов и агрегируют их представления, что повышает устойчивость:

d~(j)=G(q;inst,ξj),𝐯h=1m∑j=1mE(d~(j)),

где ξj — стохастические параметры декодирования (напр., temperature/top‑p). Такая энсемблизация улучшает Recall при умеренном росте латентности[12].

Базовый конвейер HyDE

# 1) prompt(query) -> hypothetical_doc
# 2) embed(hypothetical_doc) -> v_h
# 3) retrieve(index, v_h, k) -> candidates
# 4) (optional) rerank(query, candidates) -> topN
# 5) (для RAG) stuff / map-reduce / refine на topN

Связь с другими методами (QE, doc2query, PRF)

  • QE (расширение запроса) добавляет термы к запросу; HyDE вместо этого генерирует целый «квази‑документ», что лучше согласуется с плотными энкодерами[13].
  • doc2query / docTTTTTquery расширяют документы синтетическими запросами до индексирования[14][15]; HyDE расширяет запрос на лету, не требуя реиндексации.
  • PRF (Rocchio, Relevance LM) обновляет вектор запроса по топ‑результатам; HyDE извлекает «паттерн релевантности» непосредственно из LLM и затем «заземляет» его ретривом по корпусу[16].

Интеграция в RAG и переранжирование

В RAG HyDE применяется как первый этап ретрива: гипотетический документ → эмбеддинг → k кандидатов. Далее используется переранжирование: кросс‑энкодеры BERT‑класса[17] или позднее взаимодействие ColBERT[18]. Для слияния списков (напр., гибрид BM25+vector) типично применяется RRF (reciprocal rank fusion): RRF⁡(d)=∑r∈ℛ1k+rankr(d),k≈60. Метод RRF стабильно повышает совокупное качество объединённых ранжировок[19].

Оценка на бенчмарках (BEIR и др.)

Оригинальная работа оценивает HyDE в нулевом режиме на TREC DL’19/20 (веб‑поиск) и на подмножестве коллекций BEIR (Scifact, ArguAna, TREC‑COVID, FiQA, DBPedia, TREC‑NEWS, Climate‑FEVER). Фрагмент результатов — по состоянию на 2023‑07:

TREC DL19/20 (веб‑поиск) — mAP / nDCG@10 / Recall@1k
Метод DL19 DL20 Источник
BM25 30.1 / 50.6 / 75.0 28.6 / 48.0 / 78.6 [20]
Contriever (unsup.) 24.0 / 44.5 / 74.6 24.0 / 42.1 / 75.4 [21]
HyDE (Contriever+LLM) 41.8 / 61.3 / 88.0 38.2 / 57.9 / 84.4 [22]
DPR (ft) 36.5 / 62.2 / 76.9 41.8 / 65.3 / 81.4 [23]
ANCE (ft) 37.1 / 64.5 / 75.5 40.8 / 64.6 / 77.6 [24]
BEIR (подборка наборов) — nDCG@10 / Recall@100
Метод Scifact ArguAna TREC‑COVID FiQA DBPedia TREC‑NEWS Climate‑FEVER Источник
BM25 67.9 / 92.5 39.7 / 93.2 59.5 / 49.8 23.6 / 54.0 31.8 / 46.8 39.5 / 44.7 16.5 / 42.5 [25]
Contriever 64.9 / 92.6 37.9 / 90.1 27.3 / 17.2 24.5 / 56.2 29.2 / 45.3 34.8 / 42.3 15.5 / 44.1 [26]
HyDE 69.1 / 96.4 46.6 / 97.9 59.3 / 41.4 27.3 / 62.1 36.8 / 47.2 44.0 / 50.9 22.3 / 53.0 [27]

HyDE также улучшает MRR@100 на многоязычных наборах Mr.TyDi (sw/ko/ja/bn) относительно mContriever[28].

Практические рекомендации

Когда применять HyDE
  • Нулевой/переносный режимы (нет релевантных меток; доменная «непохожесть» на обучающие корпуса)[29].
  • Требуется повышение Recall@k при приемлемой точности — HyDE часто «открывает» релевантные области векторного пространства[30].
Типовые настройки
  • LLM и промпт: инструкция «Напиши абзац, отвечающий на вопрос …»; умеренная стохастичность (напр., temperature≈0.7)[31].
  • Число гипотетических текстов: 1–5; усреднение эмбеддингов повышает устойчивость[32].
  • Эмбеддер: (m)Contriever без дообучения; возможно применение дообученных энкодеров (эффект HyDE сохраняется)[33].
  • Нормализация эмбеддингов: L2‑норма; внутреннее произведение эквивалентно косинусу[34].
  • Гибридный ретрив: BM25+vector с последующим переранжированием[35].
  • Переранкер: Cross-Encoder (BERT re‑ranker)[36] или ColBERT[37].
  • Слияние результатов разных стратегий: RRF (k≈60)[38].
Мониторинг качества/стоимости
  • Ретрив: nDCG@k, Recall@k, MRR; end‑to‑end RAG: EM/F1 или метрики groundedness (RAGAS/TruLens)[39][40].
  • Стоимость/латентность: доминирует генерация LLM и (если есть) переранжирование; оптимизируется числом «гипотетик» и длиной ответа[41].

Ограничения и открытые вопросы

  • Галлюцинации гипотетического текста: LLM может вводить фактические ошибки; «заземление» через энкодер и корпус снижает риск, но не устраняет полностью[42].
  • Доменные/языковые ограничения: выигрыш HyDE уменьшается в узкоспециализированных доменах и на слаборесурсных языках[43].
  • Латентность и стоимость: генерация LLM добавляет задержку и токен‑стоимость; критично для онлайн‑сценариев и длинных «гипотетик»[44].
  • Этика и смещения: предпочтительно использовать безопасные LLM и фильтрацию[45].

Сравнительная таблица методов

Сопоставление HyDE и смежных подходов
Метод Класс Где генерируется текст Энкодер/индекс Переранкер (2‑й этап) Типичные метрики (пример) Стоимость/латентность Источники
HyDE Query→hypo‑doc На стороне запроса (LLM → абзац) (m)Contriever; ANN BERT re‑rank / ColBERT / RRF DL19 nDCG@10≈61.3; DL20≈57.9; ArguAna nDCG@10≈46.6 + генерация LLM; + переранжирование (опц.) [46]
BM25 Лексический — Инвертированный индекс Опционально см. табл. (выше) Низкая (lexical) [47]
DPR / ANCE Плотный (ft) — Bi‑encoder; ANN Опционально DL19 nDCG@10≈62–65 Средняя (без LLM) [48][49]
doc2query / docTTTTTquery Док. экспансия На стороне коллекции (до индексации) BM25/sparse+expanded Опционально Улучшения BM25 на MS MARCO Высокая оффлайн‑генерация; быстрый онлайн [50][51]
PRF (Rocchio, RLM) QE по фидбеку Запрос (по топ‑рез.) Любой Опционально Рост Recall/риски дрейфа + доп. проход ретрива [52]

См. также

Ссылки

Литература

  • Manning, C. D.; Raghavan, P.; Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. ISBN 978‑0521865715.
  • Robertson, S.; Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in IR, 3(4), 333–389. DOI:10.1561/1500000019.

Примечания

  1. ↑ Gao, L.; Ma, X.; Lin, J.; Callan, J. (2023). ‘‘Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)’’. ACL 2023. pp. 1762–1777. DOI:10.18653/v1/2023.acl-long.99. arXiv:2212.10496
  2. ↑ Gao, L. et al. (2023). ACL 2023, §3.2. DOI:10.18653/v1/2023.acl-long.99.
  3. ↑ Rocchio, J. (1971). ‘‘Relevance Feedback in Information Retrieval’’. In: Salton, G. (ed.) The SMART Retrieval System. Prentice‑Hall, pp. 313–323. ISBN 978‑0138145255.
  4. ↑ Lavrenko, V.; Croft, W. B. (2001). ‘‘Relevance‑Based Language Models’’. SIGIR. DOI:10.1145/383952.383972.
  5. ↑ Izacard, G. et al. (2021/2022). ‘‘Unsupervised Dense Information Retrieval with Contrastive Learning’’. arXiv:2112.09118.
  6. ↑ Karpukhin, V. et al. (2020). ‘‘Dense Passage Retrieval for Open‑Domain QA’’. EMNLP. DOI:10.18653/v1/2020.emnlp-main.550.
  7. ↑ Thakur, N. et al. (2021). ‘‘BEIR: A Heterogeneous Benchmark for Zero‑shot Evaluation of Information Retrieval Models’’. NeurIPS Datasets Track. arXiv:2104.08663.
  8. ↑ Gao, L. et al. (2023). DOI:10.18653/v1/2023.acl-long.99.
  9. ↑ Milvus Docs. ‘‘Similarity Metrics’’ — при L2‑нормализации векторов внутр. произведение эквивалентно косинусу. URL: https://milvus.io/docs/v2.2.x/metric.md
  10. ↑ Gao, L.; Ma, X.; Lin, J.; Callan, J. (2023). ‘‘Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)’’. ACL 2023, §3–4. arXiv:2212.10496. DOI:10.18653/v1/2023.acl-long.99.
  11. ↑ Izacard, G. et al. (2021/2022). ‘‘Unsupervised Dense Information Retrieval with Contrastive Learning (Contriever)’’. arXiv:2112.09118.
  12. ↑ Gao, L. et al. (2023). Прил. (ablation): влияние числа гипотетических текстов и параметров генерации. arXiv:2212.10496.
  13. ↑ Gao, L. et al. (2023). DOI:10.18653/v1/2023.acl-long.99.
  14. ↑ Nogueira, R. et al. (2019). ‘‘Document Expansion by Query Prediction’’ (doc2query). arXiv:1904.08375.
  15. ↑ Nogueira, R.; Lin, J. (2019). ‘‘From doc2query to docTTTTTquery’’ (tech report). PDF
  16. ↑ Rocchio, J. (1971); Lavrenko & Croft (2001), см. выше.
  17. ↑ Nogueira, R.; Cho, K. (2019). ‘‘Passage Re‑ranking with BERT’’. arXiv:1901.04085.
  18. ↑ Khattab, O.; Zaharia, M. (2020). ‘‘ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT’’. SIGIR. DOI:10.1145/3397271.3401075; arXiv:2004.12832.
  19. ↑ Cormack, G. V.; Clarke, C. L. A.; Büttcher, S. (2009). ‘‘Reciprocal Rank Fusion Outperforms Condorcet and Nearly Optimally Combines Rankings’’. SIGIR. DOI:10.1145/1571941.1572114.
  20. ↑ Gao, L. et al. (2023). Табл. 1. DOI:10.18653/v1/2023.acl-long.99.
  21. ↑ Izacard, G. et al. (2022); сводные метрики — в Gao et al., 2023, табл. 1. arXiv:2112.09118.
  22. ↑ Gao, L. et al. (2023). Табл. 1.
  23. ↑ Karpukhin, V. et al. (2020); сводные — в Gao et al., 2023.
  24. ↑ Xiong, L. et al. (2021). ICLR. arXiv:2007.00808.
  25. ↑ Thakur, N. et al. (2021); сводные — в Gao et al., 2023, табл. 2. arXiv:2104.08663.
  26. ↑ Izacard, G. et al. (2022); сводные — в Gao et al., 2023, табл. 2.
  27. ↑ Gao, L. et al. (2023). Табл. 2.
  28. ↑ Gao, L. et al. (2023). Табл. 3. DOI:10.18653/v1/2023.acl-long.99.
  29. ↑ Gao, L. et al. (2023). §4–5.
  30. ↑ Gao, L. et al. (2023). §4.2–4.3.
  31. ↑ Gao, L. et al. (2023). §4.1.
  32. ↑ Haystack Docs. ‘‘Hypothetical Document Embeddings (HyDE)’’ (инженерная справка). docs.haystack.deepset.ai
  33. ↑ Gao, L. et al. (2023). Табл. 6.
  34. ↑ Milvus Docs. ‘‘Similarity Metrics’’.
  35. ↑ Haystack × Milvus Integration (официальная док.). haystack.deepset.ai
  36. ↑ Nogueira, R.; Cho, K. (2019). arXiv:1901.04085.
  37. ↑ Khattab, O.; Zaharia, M. (2020). DOI:10.1145/3397271.3401075.
  38. ↑ Cormack, G. V. et al. (2009). DOI:10.1145/1571941.1572114.
  39. ↑ Manning, C. D.; Raghavan, P.; Schütze, H. (2008). Introduction to Information Retrieval. Cambridge Univ. Press. ISBN 978‑0521865715.
  40. ↑ Es, S. et al. (2023). ‘‘RAGAS: Automated Evaluation of Retrieval‑Augmented Generation’’. arXiv:2309.15217.
  41. ↑ Gao, L. et al. (2023). §5.
  42. ↑ Gao, L. et al. (2023). §3.2; §4.1. DOI:10.18653/v1/2023.acl-long.99.
  43. ↑ Gao, L. et al. (2023). Табл. 3; §4.4.
  44. ↑ Gao, L. et al. (2023). §4–5.
  45. ↑ Ouyang, L. et al. (2022). ‘‘Training language models to follow instructions with human feedback (InstructGPT)’’. NeurIPS. arXiv:2203.02155.
  46. ↑ Gao, L. et al. (2023). Табл. 1–2.
  47. ↑ Robertson, S.; Zaragoza, H. (2009). ‘‘The Probabilistic Relevance Framework: BM25 and Beyond’’. Found. Trends IR. DOI:10.1561/1500000019.
  48. ↑ Karpukhin, V. et al. (2020). DOI:10.18653/v1/2020.emnlp-main.550.
  49. ↑ Xiong, L. et al. (2021). arXiv:2007.00808.
  50. ↑ Nogueira, R. et al. (2019). arXiv:1904.08375.
  51. ↑ Nogueira, R.; Lin, J. (2019). tech report.
  52. ↑ Rocchio, J. (1971). SMART; Lavrenko & Croft (2001) SIGIR.
Источник — https://systems-analysis.info/wiki/index.php?title=Hypothetical_Document_Expansion&oldid=126